DDK：一种用于自动驾驶车辆动力学建模与轨迹跟踪的深层Koopman方法
系统与控制
2023-08-11 v1 系统与控制
摘要
近年来自动驾驶吸引了大量关注。精确的车辆动力学对于自动驾驶技术（例如轨迹预测、运动规划和轨迹跟踪控制）十分重要。尽管先前工作已取得一些成果，自动驾驶车辆动力学的强非线性、精度与可解释性仍是值得研究的开放问题。本文提出一种基于Koopman算子的称为深层直接Koopman（DDK）的方法，用于辨识自动驾驶车辆的模型，所辨识模型为线性时不变（LTI）形式，便于运动规划与控制器设计。该方法中，Koopman特征值和系统矩阵被视为可训练张量，并将自动驾驶车辆的原始状态拼接为Koopman特征函数的一部分，从而可从辨识的潜在动力学中提取具有物理可解释性的子系统。随后，基于由真实电动SUV采集的约60km数据构成的数据集，在所提方法下训练辨识模型，并验证了辨识模型的有效性。同时，在CarSim中用DDK辨识了高保真车辆动力学，进而设计了集成DDK的称为DDK-MPC的线性模型预测控制（MPC）以验证轨迹跟踪控制性能。仿真结果表明，所提方法可有效辨识非线性车辆动力学模型，且基于DDK-MPC的辨识模型可获得优异的跟踪性能。
引用
@article{arxiv.2110.14700,
title = {DDK: A Deep Koopman Approach for Dynamics Modeling and Trajectory Tracking of Autonomous Vehicles},
author = {Yongqian Xiao},
journal= {arXiv preprint arXiv:2110.14700},
year = {2023}
}